当传统存储硬件无法控制虚拟工作负载时,VM感知存储就可以派上用场。那么VMware的VVOL是否也有能力解决这个问题呢?
服务器虚拟化产生的一个问题就是其升级速度要超过物理硬件。尽管今天的服务器硬件都支持虚拟化感知,但却不能与基础设施组件等量齐观,例如网络和存储硬件。这就意味着很多企业当前的虚拟机正运行在并非专为控制虚拟工作负载设计的存储硬件之上。
VM感知存储是一种解决方案。VM感知存储指的是专为虚拟化环境设计的存储。理论上看,VM感知存储在控制多I/O密集型负载方面要比通用存储更有优势。
某种程度上,vShere 6中推出的VVOL特性也被认为是实现企业VM感知的一个工具。VVOL改变了存储管理的方式。与处理单个LUN和卷的工作不同,存储管理员能够去定义存储容器并且分配概述其功能的策略。例如,存储管理员就能可能去定义一个支持克隆、快照等等的策略。
一旦存储管理员定义了容器和策略,那么虚拟化管理员就要为新创建的VM匹配一个合适的策略。然后VVOL将会映射VM到能够提供已选策略相关功能的存储。
但是,企业只有运行vSphere 6或者其存储厂商支持VVOL才能利用VVOL。这意味着存储厂商要做出一个清醒的决定——实现必要的VMware API。
这也就是说VVOL并无法最终取代VM感知存储。倒不如说VVOL是一种利用VM感知存储的机制。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。